EN
솔직히 말씀드리겠습니다. 신규 제품 라인을 도입하는 것은 분명 기쁜 이정표이지만, 동시에 심각한 골칫거리가 될 수도 있습니다. 귀사의 비전 검사 시스템은 새 부품을 인식하지 못합니다. 또한 ‘양품’과 ‘불량품’을 어떻게 구분해야 하는지도 알지 못합니다. 따라서 시스템에 이를 가르쳐야 합니다. 잘못된 방식으로 교육할 경우, 과도한 불량 판정, 결함 누락, 그리고 실망한 운영자들이 늘어나는 결과를 초래할 수 있습니다. 다행히도, 올바른 절차를 따르면 비전 검사 시스템 교육은 신속하고 간편하게 진행할 수 있습니다.
준비는 샘플 수집부터 시작됩니다
시스템을 조작하기 전에 먼저 샘플을 수집해야 합니다. 이는 가장 중요한 단계이지만, 사람들이 가장 성급하게 진행하는 단계이기도 합니다. 그런 사람이 되지 마십시오.
여러 종류의 샘플이 필요합니다. 먼저 양호한 부품(양품)을 수집하세요. 품질 기준을 충족하는 제품의 이미지를 단지 몇 장만 확보하는 것으로는 부족합니다. 수십 장에서 수백 장에 이르는 이미지가 필요할 수도 있습니다. 확보한 이미지가 많을수록 시스템이 ‘허용 가능한 외관’을 더 정확히 이해하게 됩니다. 또한 이러한 양호한 부품은 색상의 미세한 차이, 위치의 약간의 이동, 표면 질감의 사소한 변화 등 예상되는 정상적인 변동 범위를 포괄해야 합니다. 훈련 데이터에 완벽한 부품만 포함되어 있다면, 비전 검사 시스템은 외관상 약간이라도 다르게 보이는 모든 부품을 거부하게 되며, 그 부품이 실제로는 완전히 정상임에도 불구하고 그렇게 될 수 있습니다.
둘째, 불량 부품을 수집하세요. 귀사에 중요한 각 결함 유형별로 포괄적인 목록을 작성하세요. 이 목록에는 흠집, 균열, 부재 부품, 잘못된 색상, 라벨 위치 오류 등이 포함될 수 있습니다. 결함 사례의 다양성이 클수록 시스템이 무엇을 찾아야 할지 더 잘 학습하게 됩니다. 한 연구에 따르면, 사전 훈련된 결함 탐지 모델은 적정 수준의 새로운 샘플과 소량의 파인튜닝만으로도 신제품에 빠르게 적응할 수 있습니다. 그러나 ‘적정 수준’은 ‘최소 수준’을 의미하지 않습니다. 부실한 데이터셋은 여전히 부실한 결과를 낳으므로, 명확히 정의된 샘플을 충분히 준비해야 합니다.
빠른 학습(Quick Teach) 기능을 활용해 신속히 시작하세요
샘플 데이터셋을 준비했으면 이제 시스템에 학습을 시킬 차례입니다. 다행히도 대부분의 최신 비전 검사 시스템에는 ‘빠른 학습(Quick Teach)’ 또는 ‘원버튼 학습(one button teach)’이라는 내장 기능이 있습니다. 이를 통해 신규 제품 라인을 추가할 때 작업이 훨씬 수월해집니다.
퀵 티치(Quick Teach)는 결함이 없는 부품의 기준 이미지를 촬영한 후, 해당 이미지에 기반하여 시스템 파라미터를 자동으로 설정하는 방식으로 작동합니다. 시스템은 이 기준 이미지를 분석하고 주요 특징을 측정한 후 허용 오차를 적용합니다. 사용자는 수치를 수동으로 입력하거나 임계값을 추정할 필요가 없습니다. 시스템이 복잡한 작업을 대신 수행해 줍니다.
이 방법은 외형이 동일한 부품 일괄 검사를 신속하게 수행할 때 매우 효과적입니다. 예를 들어, 동일한 금속 프레스 성형 부품이나 사출 성형 플라스틱 부품을 검사할 경우, 퀵 티치를 사용하면 몇 시간이 걸리던 설정 작업을 단 몇 분 만에 완료할 수 있습니다. 일부 최신 카메라는 몇 장의 샘플 이미지로부터 자동으로 학습함으로써 설정 시간을 수시간에서 단 몇 분으로 단축시킵니다. 핵심은 검사 대상 부품 배치에서 기대되는 외관을 충분히 반영한 고품질의 기준 이미지를 확보하는 데 있습니다.
부품 간 차이가 발생할 경우 표준 티치(Standard Teach)로 전환하세요
퀵 티치(Quick Teach)에는 단점이 있습니다. 부품의 외관에 상당한 변동성이 있는 경우, 퀵 티치는 양호한 부품을 더 많이 불합격 처리하는 경향이 있습니다. 이 경우 시스템은 여러 차례 반복된 부품 검사 과정을 통해 학습해야 합니다.
스탠다드 티치(Standard Teach)는 방식이 다릅니다. 단일 기준 이미지를 사용하는 대신, 양호한 부품 전체 배치를 시스템을 통해 검사합니다. 비전 검사 시스템은 이 모든 부품을 분석하여 자연스럽게 발생하는 변동 범위를 측정하고, 그 전체 허용 범위를 포함하도록 공차를 설정합니다. 이를 통해 시스템은 완벽한 실험실 환경이 아니라 실제 생산 조건에서 ‘양호함’이 어떤 모습인지 학습하게 됩니다.
Teach 과정에서 사용할 수 있는 샘플 수에는 제한이 없습니다. 시스템에 양호한 부품을 더 많이 보여줄수록, 시스템은 허용 가능한 기준을 더 정확히 이해하게 됩니다. 여기에 전문가 팁 하나를 드립니다. 표준 Teach 작업을 수행할 때는 반드시 양호한 부품만 사용하세요. 실수로 불량 부품을 포함시키면, 시스템은 해당 결함을 허용 가능한 것으로 학습하게 되어 심각한 문제를 야기할 수 있습니다.
필요 시 수동으로 조정하세요
때때로 자동 Teach 기능만으로는 충분하지 않습니다. 귀하의 부품은 시스템이 인식하기 어려운 복잡한 특징을 가질 수 있습니다. 이러한 경우, 매개변수를 수동으로 조정해야 합니다.
대부분의 비전 검사 시스템은 도구 내부로 진입하여 설정을 직접 조정할 수 있도록 지원합니다. 관심 영역(ROI)을 조정하거나 허용 오차 한계를 변경하며, 승인/불합격 판정 로직을 세밀하게 조정할 수 있습니다. 이 작업은 더 많은 시간과 경험이 필요하지만, 최고 수준의 제어 권한을 제공합니다. 미세한 오차조차도 중요한 고정밀 응용 분야에서는 수동 조정이 추가로 소요되는 노력만큼의 가치를 지닙니다.
기존 제품과 유사한 신제품을 다루고 있다면, 기존 검사 프로세스를 출발점으로 활용함으로써 상당한 시간을 절약할 수 있습니다. 전이 학습(transfer learning)에 관한 한 연구에 따르면, 기존 제품을 기반으로 훈련된 모델은 비교적 적은 양의 새로운 훈련 데이터만으로도 신제품에 효과적으로 적용 가능하며, 정확도를 98퍼센트 이상 유지할 수 있습니다. 즉, 항상 처음부터 시작할 필요는 없습니다. 기존 모델을 기반으로 새 모델을 구축할 수 있습니다.
복잡한 검사를 위한 AI 활용
기존 비전 검사 시스템은 고정된 규칙에 의존합니다. 예: 흠집 길이가 X밀리미터보다 긴가? 색상이 Y 범위를 벗어났는가? 이러한 방식은 단순한 검사에는 잘 작동합니다. 그러나 결함이 불규칙하거나 일관되지 않거나, 고정된 규칙으로 설명하기 어려운 경우, 기존 시스템은 일반적으로 성능 저하를 겪습니다.
AI 기반 비전 검사가 게임의 규칙을 바꿉니다. 기존에는 사전에 정의된 규칙 세트를 따르는 방식이었지만, 이 시스템은 예시를 통해 스스로 학습합니다. 사용자는 수백 장에서 수천 장에 이르는 양호한 이미지와 불량 이미지를 시스템에 제시하면, 시스템이 스스로 패턴을 파악합니다. AI 기반 비전 검사는 제품 품질을 유지하고 폐기물을 최소화하려는 제조업체에게 특히 유리합니다. 또한 제품 사양 변경에도 매우 유연하게 대응할 수 있습니다. 일부 플랫폼은 오진률을 줄이고 결함 제품이 고객에게 전달되는 것을 방지하기 위해 지도학습 및 비지도학습 기반 AI 기술과 규칙 기반 도구를 통합합니다.
오늘날의 시스템이 갖춘 훌륭한 점은 사용자 친화적이라는 데 있습니다. 일부 카메라는 이제 내장형 AI를 탑재해 단 몇 장의 샘플 이미지만으로도 자동으로 학습하므로, 길고 번거로운 수동 설정 과정이 필요 없습니다. 사용자 친화적인 인터페이스는 조명 조정에서 기준 이미지 등록에 이르기까지 설치 과정의 모든 단계를 운영자에게 안내합니다. 시각 검사 경험이 부족한 운영자라도 신뢰성 높은 검사 프로세스를 구축할 수 있습니다.
시험 및 검증은 필수적입니다
여기서 대부분의 사람들이 치명적인 실수를 저지릅니다. 시스템을 학습시킨 후 간단한 테스트만 수행하고 바로 양산에 투입하는 것입니다. 이는 매우 큰 실수입니다.
비전 검사 시스템을 무인으로 가동하기 전에, 반드시 이를 적절히 검증해야 합니다. 알려진 양품과 불량품을 일괄적으로 시스템에 통과시켜 보세요. 시스템이 모든 결함을 정확히 탐지하는지 확인하세요. 또한 양품을 잘못 거부하는지 여부도 확인하세요. 오거부율(false reject rate)이 과도하게 높다면, 허용오차(tolerance)를 다시 조정하세요. 미탐률(miss rate)이 과도하게 높다면, 학습 데이터셋에 더 많은 결함 샘플을 추가하세요.
개념 검증(proof of concept) 방식이 여기서 매우 효과적입니다. 모든 검사를 한 번에 자동화하려 하기보다는, 신규 라인에서 하나의 핵심 검사 포인트부터 시작하세요. 양품 및 불량품으로 구성된 ‘골든 데이터셋(golden dataset)’을 확보하고, 기술적 실현 가능성을 테스트한 후에야 비로소 규모를 확대하세요. 이 단계를 올바르게 수행하면 궁극적으로 막대한 비용을 절감할 수 있습니다.
지속적인 개선 계획 수립
비전 검사 시스템의 학습은 단발성 작업이 아닙니다. 제품은 변화할 것이며, 공급업체도 바뀔 것이고, 생산 조건 역시 달라질 것입니다. 따라서 검사 시스템 역시 이러한 변화에 지속적으로 대응할 수 있도록 유지·관리되어야 합니다.
지속적인 교육을 위한 프로세스를 구축하세요. 시스템이 놓친 새로운 유형의 결함을 발견할 때마다 해당 이미지를 학습 데이터셋에 추가하고 재학습하세요. 제품 설계가 변경될 때마다 기준 이미지를 업데이트하세요. 일부 고급 시스템은 시간이 지남에 따라 제품 변동성에 자동으로 적응하는 지속 학습(Continuous Learning) 기능을 제공합니다. 시스템을 더 많이 학습시킬수록 그 지능 수준도 높아집니다.
이를 정확히 구현하는 제조업체는 실질적인 성과를 얻습니다. AI 비전 검사 시스템은 결함을 조기에 탐지하고, 근본 원인 분석을 가속화하며, 효율성을 향상시키고 낭비를 줄이는 실시간 실행 가능한 인사이트를 제공합니다. YIHUI는 이러한 교육 원칙을 고려하여 비전 검사 장비를 설계하여 기계장치, 전자, 항공우주, 자동차 산업 분야의 제조업체들이 신규 제품 라인을 보다 신속하게 양산에 돌입할 수 있도록 지원합니다. 결국, 비전 검사 시스템의 성능은 사용자가 부여한 교육의 질에 달려 있습니다. 올바르게 수행한다면, 이 시스템은 향후 수년간 귀사의 브랜드를 보호해 줄 것입니다.